PENGGUNAAN ANALISA FAKTOR UNTUK KLASIFIKASI CITRA PENGINDERAAN JAUH

MULTISPEKTRAL


Agus Zainal Arifin dan Wiwik Dyah Septiana Kurniati

Jurusan Teknik Informatika, Fakultas Teknologi Informasi
Institut Teknologi Sepuluh Nopember (ITS) - Surabaya
Kampus ITS, Jl. Raya ITS, Sukolilo Surabaya 60111
Tel. + 62 31 5939214, Fax + 62 31 5939363
E-mail : agusza@its-sby.edu

ABSTRAK


Proses clustering bisa berlangsung baik secara hierarchical (split dan merge) maupun partitional (partisi). Proses
split yang pembagiannya berdasarkan histogram lebih mudah dilakukan pada satu dimensi, sehingga dibutuhkan proses
transformasi. Metode transformasi yang umum digunakan adalah Principal Component Analysis (PCA). Namun PCA
ternyata hanya didasarkan pada pencarian dimensi bervariansi maksimum, sehingga memungkinkan terjadinya overlapping
kelas, dalam arti ada kelas yang tidak dapat dipisahkan
Pada penelitian ini, metode transformasi yang digunakan adalah Analisa Faktor (Factor Analysis / Canonical
Analysis). Metode ini lebih baik bila dibandingkan dengan metode Principal Component Analysis (PCA). Sebab, Analisa
Faktor mentransformasi sekaligus memilah cluster dalam feature space. Tiga proses utama dalam penelitian ini yaitu split,
merge, dan partitional K-means clustering. Citra multispektral ditransformasi menjadi satu dimensi. Histogram satu
dimensi displit dengan pemilihan puncak kurva. Merge menggabungkan cluster hasil split tersebut. Cluster yang
berdekatan digabungkan menjadi cluster baru. K-means clustering digunakan untuk mendeteksi lokasi pusat cluster
(prototipe cluster) dan sekaligus mengelompokkan pixel ke setiap cluster.
Hasil penelitian ini dibandingkan dengan hasil algoritma clustering yang proses transformasinya menggunakan
PCA. Hasil perbandingan membuktikan bahwa clustering yang proses transformasinya menggunakan Analisa Faktor
menghasilkan heterogenitas antar cluster lebih tinggi (Tr(S
B
) meningkat antara 0.83 % sampai 19.58 %). Adapun
kekompakan tiap cluster tidak selalu optimal. Hal ini sangat mungkin disebabkan jumlah kelas sampel kurang banyak dan
pengambilan sampel di tiap kelas kurang bervariasi.

Kata kunci : Analisa Faktor, complete link, K-means clustering, Scatter within class, Scatter between class


I. Pendahuluan

Klasifikasi citra merupakan proses
pengelompokan pixel pada suatu citra ke dalam sejumlah
class (kelas), sehingga setiap kelas dapat
menggambarkan suatu entitas dengan ciri-ciri tertentu
[2][12][13][14]. Tujuan utama klasifikasi citra
penginderaan jauh adalah untuk menghasilkan peta
tematik, dimana suatu warna mewakili suatu objek
tertentu. Contoh objek yang berkaitan dengan permukaan
bumi antara lain air, hutan, sawah, kota, jalan, dan lain-
lain. Sedangkan pada citra satelit meteorologi, proses
klasifikasi dapat menghasilkan peta awan yang
memperlihatkan distribusi awan di atas suatu wilayah.
Secara umum, algoritma klasifikasi dapat dibagi
menjadi supervised (terawasi) dan unsupervised (tak
terawasi) [2][12][13][14]. Pemilihannya bergantung pada
ketersediaan data awal pada citra itu. Analisa cluster
merupakan suatu bentuk pengenalan pola yang berkaitan
dengan pembelajaran secara unsupervised, dimana
jumlah pola kelas tidak diketahui. Proses clustering
melakukan pembagian data set dengan mengelompokkan
seluruh pixel pada feature space (ruang ciri) ke dalam
sejumlah cluster secara alami.
Metode supervised mengharuskan adanya
training set Akan tetapi training set untuk tiap kelas ini
seringkali belum diketahui. Salah satu penyebabnya
adalah sulitnya menentukan jumlah kelas yang
sebenarnya terdapat pada citra itu disamping kesulitan
untuk mencari lokasi-lokasi mana yang bisa dianggap
paling mewakilinya. Fenomena ini mendorong para
peneliti dalam bidang pengenalan pola (pattern
recognition) untuk terus berusaha menghasilkan
algoritma yang mampu mendeteksi jumlah cluster ini
secara otomatis [11][12][13][14].
J. J. Simpson [11] telah mengembangkan
algoritma clustering, yakni Improved Split and Merge
Classification (ISMC) dengan menggabungkan proses
split dan merge. Nampak bahwa mekanisme split pada
algoritma tersebut tidak mempertimbangkan lokasi
tempat berkumpulnya mayoritas pixel. Namun hanya
mempertimbangkan jarak terjauh antar pixel. Hal ini bisa
mengakibatkan pemotongan cluster yang berada di antara
keduanya. Penyebabnya bisa berupa perbedaan distribusi
atau ukuran cluster yang terlalu besar. Dengan demikian
dibutuhkan metode split yang memperhatikan distribusi
pixel dalam feature space. Distribusi ini dapat
digambarkan melalui histogram, dimana tiap kurva yang
terbentuk dapat diasosiasikan sebagai sebuah cluster.
Untuk mengatasi kelemahan di atas, maka pada
penelitian selanjutnya [13][14] proses split diperbaiki
dengan memperhatikan distribusi pixel dalam feature
space. Distribusi ini dapat digambarkan melalui
histogram, yang akan membentuk sejumlah kurva
dimana tiap kurva yang terbentuk dapat diasosiasikan
sebagai sebuah cluster[2][6]. Pada kenyataannya proses
pencarian kurva pada feature space citra multispektral
sangat sulit. Sebab dengan feature space yang berdimensi
banyak, dibutuhkan teknik scanning kurva yang sangat
teliti. Cara yang termudah adalah
mentransformasikannya menjadi satu dimensi, namun
mampu mewakili seluruh spektrum. Metode
transformasi yang digunakan adalah Principal
Component Analysis (PCA).
Gambar 1. Dua kelas yang tidak bisa dipisah oleh PCA
Gambar 2. Dua kelas dipisahkan dengan Analisa Faktor
Keterangan Gambar 2 :
A
= Standar deviasi antar kelas (standard deviation
among the classes)
1 w
= posisi mean dan penyebaran data dalam kelas 1
2 w
= posisi mean dan penyebaran data dalam kelas 2

Akan tetapi pada proses pemilihan puncak kurva
histogram, diketahui bahwa metode PCA masih
memungkinkan terjadinya overlapping kelas, dalam arti
ada kelas yang tidak dapat dipisahkan, diperlihatkan
dengan Gambar 1. Oleh karena itu dibutuhkan proses
transformasi yang mampu mengatasi overlapping
tersebut, yaitu proses transformasi dengan Analisa
Faktor. Analisa Faktor diharapkan mampu
mentransformasi sekaligus menghasilkan cluster dengan
optimal, dalam arti perbedaan antar kelas semakin besar
dan kekompakan di dalam kelas semakin besar, karena
metode transformasi ini dalam pencarian sumbu
transformasi mempertimbangkan variansi maksimum dan
keterpisahan kelas, diilustrasikan pada Gambar 2.
Permasalahan yang dihadapi dalam penelitian
ini adalah :
1. Bagaimana melakukan split yang sekaligus
memisahkan cluster dengan optimal.
2. Bagaimana melakukan merge (penggabungan)
cluster yang berdekatan dengan ketat.
3. Bagaimana cara mendeteksi lokasi pusat cluster.
Adapun tujuan dari penelitian ini adalah
mengklasifikasi citra penginderaan jauh multispketral
dengan lebih akurat, dalam artian kondisi anggota dalam
cluster lebih kompak dan perbedaan antar cluster yang
lebih tinggi.

II. Pengantar Klasifikasi
II.1. Analisa Faktor
Analisa Faktor (Factor Analysis (FA))
digunakan untuk mereduksi dimensi. y = D
t
x merupakan
transformasi yang dibutuhkan untuk membentuk sumbu
baru y yang mana kelas-kelas terpisah optimal.
Langkah-langkah yang harus dilakukan dalam mencari
sumbu transformasi :
Dari setiap sampel dihitung mean (m) dan kovarian
(C
x
)

=
=
K
j
j
x
K
m
1
1

=
K
j
t
j j x
m x m x
K
C
1
) )( (
1
1

Lambang x
j
menyatakan vektor pixel kej dari pixel
sebanyak K.
Matriks kovarian within class dirumuskan sebagai
berikut :

n
M
i
i i w
S C n C / ) 1 (
1 )
`

=

=

Dimana C
i
adalah matriks kovarian dari data pada
kelas ke i, M adalah jumlah total kelas, n
i
adalah
populasi dari kelas ke i, dan S
n
adalah jumlah total
pixel dari seluruh training data (sampel).

=
=
M
i
i n
n S
1

Matriks kovarian antar kelas (among class
covariance matrix) dirumuskan sebagai berikut :
{ }
t
i i A
m m m m C ) )( (
0 0
=
Sumbu
komponen
utama
x
1
x
2
x
2
Sumbu canonic utama
x
1
A

2 W

1 W

Dimana m
i
adalah mean dari kelas ke i, operator
harapan (expectation operator), dan m
0
adalah
global mean.
Global mean dihitung dengan persamaan berikut :
n
M
i
i i
S
m n
m

=
=
1
0

Dimana m
0
= global mean
M = jumlah kelas
m
i
= mean kelas ke i
n
i
= jumlah anggota kelas ke i (jumlah pixel
dalam training data yang ke i)
m
0
= global mean
S
n
= jumlah total pixel dari seluruh training
data (sampel).
Persamaan eigen value dan eigen vector
0 ) ( = d C C
w A

Persamaan 0 ) ( = d C C
w A
bisa diubah ke
bentuk persamaan 0 ) (
1
=

d I C C
A w
dengan
serangkaian langkah berikut :
0 = d C d C
w A

d C d C
w A
=
d C C d C C
w w A w
1 1
=
Id d C C
A w
=
1

0
1
=

Id d C C
A w

0 ) (
1
=

d I C C
A w

adalah matriks diagonal dari sekumpulan nilai
eigen (eigen value) dan D adalah matriks dari vektor
d.
=
(
(
(
(

... 0 0
0 ... ... ...
0 ... 0
0 ... 0
2
1


Variabel N adalah dimensi ruang ciri tersebut. Tiap
elemen menunjukkan variansi data pixel pada tiap
sumbu canonical dalam sistem koordinat hasil
transformasi. Nilai eigen (eigen value) ini dapat
diurutkan secara descending menjadi
N
,.., ,
2 1
,
sedemikian hingga menunjukkan data pixel
mencapai variansi maksimum pada sumbu
canonical y
1
. Variansi terbesar kedua ditunjukkan
oleh y
2
, dan seterusnya, hingga variansi minimum
berada pada sumbu canonical y
N
.

II.2. Pemilihan Puncak Kurva Histogram

Feature space pada citra multispektral atau
multidimensional, dapat dibentuk menjadi sebuah
histogram multidimensi. Bila yang digunakan adalah
histogram 2 dimensi, maka setiap kelas akan nampak
seperti sebuah bukit. Pendeteksian keberadaan suatu
cluster melalui histogram ini dilakukan dengan
menganalisa jumlah kurva beserta lokasinya masing-
masing. Tiap puncak kurva diasosiasikan sebagai pusat
dari suatu cluster. Dengan demikian, jumlah kurva dapat
dinyatakan sebagai jumlah cluster [2][6].
Histogram multidimensi membutuhkan teknik
scanning kurva yang rumit. Pada histogram 1 dimensi,
proses pencarian ini dapat dilakukan secara linier. Proses
deteksi terhadap keberadaan lembah hanya dilakukan
searah, yakni dari satu dimensi saja. setiap cluster
didefinisikan sebagai interval antara satu lembah dengan
lembah yang lain. Dengan demikian pusat suatu cluster
adalah rata-rata dari seluruh sampel yang membentuk
kurva untuk cluster tersebut. Namun histogram 1 dimensi
tidaklah merepresentasikan kondisi data set secara
lengkap, sebab tidak semua dimensi terakomodasi. Oleh
karena itu lokasi pusat masing-masing cluster ini
hanyalah perkiraan awal, dan perlu dihitung ulang hingga
konvergen.

II.3. Complete Link

Algoritma furthest-neighbor (complete link),
jarak antara suatu cluster dengan cluster baru ditentukan
oleh jarak yang terjauh antara cluster ini dengan salah
satu anggota cluster baru tersebut. Misalkan, terdapat
sebuah cluster baru hasil gabungan dari cluster A dan B,
maka jarak antara cluster baru ini ke cluster C,
ditentukan dengan :
{ }
BC AC C AB
D D D , max
) (
=
Sedangkan untuk cluster yang masingmasing
adalah bentukan dari sejumlah sub cluster, maka
rumusnya adalah sebagai berikut :
' max
' ,
x x D
j i
X x X x
=


Bila terdapat ketentuan berupa threshold, maka
algoritma ini akan nampak berusaha membentuk
complete sub graph pada tiap cluster. Sebab jarak antara
2 cluster ditentukan oleh jarak node terjauh diantara
keduanya. Bila jarak terjauh ini dianggap sebagai
diameter cluster, maka diameter cluster pada tiap level
tentu akan makin meningkat. Dan bila diameter ini
melampaui threshold, maka penggabungan tidak akan
dilakukan. Dengan demikian, dapat dijamin bahwa,
semua cluster yang digabungkan adalah terbentuknya
cluster yang cukup banyak.
Proses merge menggunakan algoritma complete
link karena complete link ini dapat mengantisipasi
kemungkinan terdapatnya noise dalam citra dan untuk
membentuk cluster yang anggotanya sehomogen
mungkin [12][13]. Di samping itu penentuan threshold
untuk merge yang sesuai sangat membantu menentukan
jumlah akhir cluster yang dihasilkan.

II.4. Partitional K-Means Clustering

Metode partisi ini melakukan clustering secara
iterative, dan pada akhir iterasinya akan menghasilkan
satu cara pengelompokan saja. Pada metode ini, suatu
sampel yang sudah dialokasikan ke suatu cluster, pada
iterasi berikutnya mungkin berpindah menjadi anggota
cluster lain.
Algoritma ini membutuhkan inisialisasi jumlah
cluster yang harus dihasilkan, beserta lokasi dari masing-
masing pusat cluster. Tiap pixel diukur jaraknya terhadap
setiap pusat cluster tersebut. Suatu pixel diputuskan
menjadi anggota cluster i, bila jarak antara pixel tersebut
dengan cluster ke-i lebih dekat dibandingkan dengan
cluster yang lain. Bila semua pixel sudah memilih
cluster, maka dilakukan perhitungan pusat cluster yang
baru. Caranya dengan mencari rata-rata dari seluruh pixel
yang tergabung dengan cluster tersebut. Proses ini
diulang terus menerus dan dihentikan dengan cara
membatasi jumlah iterasinya atau bila semua pusat
cluster sudah tidak mengalami perubahan.
Perhitungan jarak ) , (
i
m x d antara pixel (x) dengan
pusat cluster yang ke i (m
i
) menggunakan rumus berikut :
( ) ) ( ) ( ,
2
i
t
i i
m x m x m x d =

III. Metodologi

Penggunaan Analisa Faktor untuk klasifikasi
citra penginderaan jauh multispektral memiliki
serangkaian proses sebelum menghasilkan output berupa
citra yang sudah terklasifikasi. Langkah-langkah yang
harus dilakukan meliputi:
3.1. Reduksi dimensi
Reduksi dimensi diawali dengan pengambilan data
pixel citra penginderaan jauh dan disimpan dalam
array matriks dua dimensi. User memilih training
data untuk kelas yang diketahui (bisa dilakukan lebih
dari sekali). Dari masing-masing training data
dihitung mean dan kovariannya. Kemudian dilakukan
perhitungan global mean, covariance within class,
covariance between class dari training data.
Selanjutnya dicari eigen value, eigen vector.
Perhitungan nilai transformasi citra input ke sumbu
canonic utama menghasilkan array satu dimensi
dengan cara mengalikan pixel dari citra input
multidimensi dengan eigen vector dari eigen value
terbesar.
3.2. Split and merge clustering
Proses pemilihan puncak kurva histogram, meliputi
pembuatan histogram dari array satu dimensi, proses
reduksi histogram, dan pengelompokan nilai pixel
yang dianggap sebagai cluster-cluster berdasarkan
algoritma peak selection (pemilihan puncak
histogram).
Merge (penggabungan) cluster hasil split, mempunyai
beberapa langkah, yaitu perhitungan threshold merge,
perhitungan mean tiap cluster, perhitungan jarak
eucledian antar cluster dari citra yang sudah tereduksi
pada proses peak selection dan disimpan dalam tabel
jarak. Proses merge atau penggabungan cluster
berdasarkan tabel jarak eucledian. Langkah merge di
atas diiterasi sampai threshold merge terlampaui oleh
jarak eucledian terkecil. Hasilnya berupa jumlah
cluster dan mean tiap cluster.
3.3. Partitional Clustering
Langkah yang dilakukan pada proses partitional K-
means Clustering adalah pembuatan tabel eucledian
dalam setiap iterasi untuk menghitung jarak antar
cluster, perhitungan kembali mean tiap cluster yang
nilainya selalu berubah, proses pixel assigment ke
cluster terdekat berdasarkan perhitungan jarak
eucledian, perhitungan trace S
B
/ Tr(S
B
) dimana S
B

adalah scatter between class, yang digunakan sebagai
analisa data proses klasifikasi. Proses partitional
diiterasi terus sampai konvergen. Setelah proses
partitional, maka dilakukan perhitungan scatter
within class (S
W
) untuk analisa. Hasil akhir berupa
matriks dua dimensi yang isinya pixel yang sudah
berkelompok berdasarkan kelas-kelas. Hasil
klasifikasi ditampilkan dengan menuliskannya ke
bitmap. Proses pewarnaan kelas berdasarkan nilai
warna yang disimpan dalam file warna, sehingga
setiap kelas mempunyai satu warna.

IV. Uji Coba
Data sampel yang digunakan dalam uji coba ini
terdiri dari beberapa citra optik Landsat TM dan GOES-8
dan dapat dilihat pada Tabel 1.
Tabel 1. Sampel citra untuk uji coba
Kode Lokasi Satelit Ukuran Band
A Jawa Tengah Landsat TM 256
2
6
B Riau Landsat TM 300
2
6
C California GOES-8 256
2
3
D Galapagos GOES-8 256
2
3
E Panama GOES-8 250
2
3
F Texas GOES-8 250
2
3
G Nicaragua GOES-8 250
2
3
H SurabayaTM Landsat TM 256
2
6

Sebagai pembanding digunakan Algoritma
Clustering Adaptif untuk Klasifikasi Citra Penginderaan
Jauh Multispektral karena metode transformasi yang
digunakan adalah Principal Component Analysis (PCA)
[12]. Untuk selanjutnya akan disebut sebagai algoritma
clustering dengan metode transformasi PCA. S
B
dari
metode ini disebut S
B
PCA dan S
W
-nya disebut S
W
PCA.
Hasil eksekusi pada penelitian ini, S
B
-nya
disebut S
B
Analisa Faktor dan S
W
-nya disebut S
W
Analisa
Faktor. Uji coba dilakukan 2 kali, yaitu berdasarkan
kesamaan threshold merge dan kesamaan jumlah kelas.
Ada 2 faktor yang digunakan dalam analisa,
yaitu trace S
B
(Tr(S
B
)) dan trace S
W
(Tr(S
W
)).
Peningkatan yang terjadi pada Tr(S
B
) menunjukkan
adanya peningkatan perbedaan antar cluster. Idealnya,
Tr(S
B
) haruslah setinggi mungkin, sebab perbedaan antar
cluster harus sebesar mungkin.
Sedangkan penurunan yang terjadi pada trace
matriks within cluster scatter matriks Tr(S
W
)
menunjukkan adanya peningkatan kekompakan pada
masing-masing cluster. Idealnya Tr(S
W
) haruslah
serendah mungkin atau dengan kata lain keadaan tiap
data dalam setiap cluster haruslah sehomogen mungkin.
Scatter between class (S
B
) dari total kelas sebanyak C
dengan N
i
adalah jumlah anggota kelas ke i, m
i
adalah
mean kelas ke i, dan m
0
adalah global mean.

=
=
C
i
t
i i i B
m m m m N S
1
0 0
) )( (
Scatter within class (S
W
) dari total kelas sebanyak C
dengan x
ij
adalah pixel ke j dari kelas ke i, dan m
i
adalah
mean kelas ke i.

=
=
C
i x
t
i ij i ij W
i ij
m x m x S
1
) )( (

IV.1. Berdasarkan kesamaan threshold merge
Dari Tabel 2 dapat dilihat penggunaan Analisa
Faktor untuk klasifikasi citra penginderaan jauh
multispektral menghasilkan Tr(S
B
) yang lebih besar
dibandingkan dengan algoritma pembanding yang
transformasinya menggunakan PCA, yaitu antara 1.27%
sampai 19.58%. Hal ini berarti perbedaan antar kelas
meningkat.
Tabel 2. Perbandingan Tr(S
B
)
Kode S
B
PCA S
B
Analisa Faktor Kenaikan
A 53.827.840 66.929.360 19,58 %
B 83.213.900 86.684.100 4,00 %
C 289.860.200 309.751.900 6,42 %
D 374.010.400 378.700.300 1,27 %
E 71.569.180 76.471.810 6,41 %
F 174.740.800 189.999.600 8,03 %
G 217.488.900 220.774.100 1,49 %

Tabel 3. Perbandingan Tr(S
W
)
Kode S
W
PCA S
W
Analisa Faktor Penurunan
A
8.617.945 3.588.780 58,37 %
B
8.126.886 6.130.480 24,57 %
C
9.319.228 5.839.713 37,34 %
D
4.020.906 5.772.958 -39,44 %
E
1.922.373 1.917.480 0,25 %
F
5.502.580 3.009.024 45,32 %
G
3.354.379 4.230.041 -26,71 %

Tabel 3 memperlihatkan pada penggunaan
Analisa Faktor untuk klasifikasi, sebagian sampel yaitu
A, B, C, E dan F, Tr(S
W
) lebih kecil yaitu antara 0,25%
sampai 58,37%. Hal ini berarti homogenitas anggota
dalam sebuah cluster meningkat. Sedangkan pada sampel
D dan G, Tr(S
W
) justru lebih besar dari algoritma
pembanding, sehingga penurunan dikatakan 39,44%
dan 26,71%. Hal ini sangat mungkin disebabkan :
Jumlah kelas sampel kurang banyak.
Pengambilan sampel di tiap kelas kurang bervariasi
sehingga sampel kurang lengkap.
Dalam sampel yang diambil terdapat noise / outlier

IV.2. Berdasarkan kesamaan jumlah kelas

Uji coba berdasarkan jumlah kelas ditujukan
untuk memaksa program menghasilkan jumlah cluster
yang sama dengan jumlah yang dihasilkan oleh algoritma
pembanding [12]. Hal ini dilakukan agar dapat diperoleh
hasil perbandingan yang lebih obyektif. Sebab meskipun
inisialisasi variabel merge sama, akan tetapi
menghasilkan jumlah cluster atau kelas yang berbeda.
Pemaksaan untuk menghasilkan jumlah cluster yang
sama dengan algoritma pembanding bisa dilakukan
dengan mengganti kriteria berhenti pada tahap complete
link. Kriteria tersebut diganti dengan persyaratan bila
jumlah cluster sudah mencapai batas yang ditentukan,
maka proses penggabungan dihentikan.
Tabel 4. Perbandingan Tr(S
B
)
Kode S
B
PCA S
B
Analisa Faktor Kenaikan
A 53.827.840 65.107.270 17,32 %
B 83.213.900 85.616.080 2,81 %
C 289.860.200 307.816.400 5,83 %
D 374.010.400 373.377.800 0,83 %
E 71.569.180 76.511.100 6,46 %
F 174.740.800 187.851.700 6,98 %
G 217.488.900 220.132.700 1,20 %

Tabel 4 menunjukkan ketika program dipaksa
untuk menghasilkan kelas yang sama, Tr(S
B
) tetap lebih
baik dari algoritma pembanding, berarti perbedaan antar
cluster meningkat, antara 0,83% sampai 17,32%.
Tabel 5. Perbandingan Tr(S
W
)
Kode S
W
PCA S
W
Analisa Faktor Penurunan
A 8.617.945 5.181.354 39,88 %
B 8.126.886 7.056.933 13,17 %
C 9.319.228 7.293.623 21,74 %
D 4.020.906 10.868.380 -75,83 %
E 1.922.373 1.838.025 4,39 %
F 5.502.580 4.516.709 17,92 %
G 3.354.379 4.710.307 -40,4 %

Tabel 5 memperlihatkan sebagian sampel yaitu
A, B, C, E dan F Tr(S
W
) lebih kecil antara 4,39% sampai
39,88% meskipun program dipaksa menghasilkan jumlah
kelas yang sama dengan algoritma pembanding.
Sedangkan pada sampel D dan G, Tr(S
W
) lebih besar. Hal
ini seperti yang telah dievaluasi pada sub bab IV.1.
tentang perbandingan Tr(S
W
).

IV.3. Perbandingan Waktu dan Jumlah Iterasi
Konvergen
Dari Tabel 6 dan 7 dapat dilihat bahwasannya :
Jumlah waktu yang dibutuhkan untuk eksekusi
program (kolom Waktu (dt)) pada sampel A, B, H
lebih besar dibandingkan dengan sampel C, D, E, F,
G. Hal ini berkaitan dengan jumlah band. Semakin
banyak jumlah band yang terlibat dalam uji coba
maka semakin besar waktu yang dibutuhkan.
Jumlah iterasi yang dibutuhkan untuk mencapai
konvergen pada proses K-means clustering (kolom
Iterasi) dari tiap sampel berbeda-beda.

Tabel 6. Hasil dengan kesamaan threshold merge
Kode Cluster Iterasi Waktu (dt)
A 42 22 205,48
B 26 19 140,97
C 36 13 66,96
D 25 20 47,64
E 19 18 37,98
F 43 8 41,89
G 29 21 57,86
H 28 21 140,50

IV.5. Contoh Input dan Output
Sampel A band 5 Sampel B band 5
Output sampel A dg PCA Output sampel A dg FA
Output sampel B dg PCA Output sampel B dg FA
Gambar 3. Input dan Output
FA adalah singkatan dari Factor Analysis (Analisa
Faktor).

Tabel 7. Hasil dengan kesamaan jumlah kelas
Kode Cluster Iterasi Waktu (dt)
A 21 24 128,34
B 17 23 131,81
C 19 19 48,89
D 17 21 45,63
E 15 17 33,05
F 18 10 26,03
G
17 21 44,95

V. Kesimpulan

Dari beberapa hasil uji coba yang telah dilakukan,
didapatkan beberapa kesimpulan sebagai berikut :
1. Penggunaan Analisa Faktor untuk klasifikasi citra
penginderaan jauh multispektral lebih mampu
memisahkan cluster dibandingkan algoritma
clustering yang transformasinya menggunakan
Analisa Komponen Utama (Principal Component
Analysis). Hal ini bisa dilihat dengan meningkatnya
Tr(S
B
) dari 0,83% sampai 19,58%, sebab Analisa
Faktor mentransformasi sekaligus memisahkan
cluster dalam feature space.
2. Dari 7 sampel yang digunakan dalam uji coba,
homogenitas anggota cluster dari 5 sampel
mengalami peningkatan, antara 0,25% sampai
58,37%. Sedangkan pada 2 sampel, homogenitas
anggota cluster mengalami penurunan. Hal ini dapat
dipahami karena Analisa Faktor lebih menekankan
pada heterogenitas antar kelas.
3. Algoritma clustering yang memberikan user
kesempatan untuk ikut memberikan pengetahuan
berupa training set sangat membantu dibandingkan
tanpa melibatkan pengetahuan user.
4. Pada Kmeans clustering, ternyata kecepatan menuju
konvergensi pada tiap sampel tidak sama, hal ini
sangat dipengaruhi representasi datanya.
5. Penambahan jumlah band yang terlibat dalam proses
clustering, akan memakan waktu yang jauh lebih
lama, sebab tiap pixel akan menjadi vektor yang
dimensinya lebih banyak. Hal ini ditunjukkan oleh
perbedaan waktu eksekusi pada citra Landsat TM 5
band dan citra GOES-8 3 band.

DAFTAR PUSTAKA

[1] William R. Dillon dan Matthew Goldstein,
Multivariate Analysis Methods and Applications,
John Wiley & Sons, New York, 1984.
[2] John. A. Richards, Remote Sensing Digital Image
Analysis, An Introduction, Springer-Verlag
Berlin Heidelberg, 1986.
[3] Scalkoff, Robert J., Digital Image Processing and
Computer Vision, John Wiley & Sons,1989
[4] Low, Andrian, Introductory Computer Vision and
Image Processing, McGraw-Hill Book Company,
1991
[5] Rafael C Gonzales dan Richard E. Woods, Digital
Image Processing, Addison-Wesley Publishing
Company,1992.
[6] T.M. Lillesand, R. W. Kiefer, Remote Sensing
and Image Interpretation, John Wiley & Sons,
1994.
[7] Erdas Imagine Tour Guides
TM
, Erdas, Inc.,
Atlanta, Georgia, 1997.
[8] Erdas Field Guide
TM
, Fourth Edition, Erdas,
Inc.,Atlanta, Georgia,1997.
[9] Te-Ming Tu, Chin-Hsing Chen, Jiunn-Lin Wu,
dan Chein-I Chang, A Fast Two-Stage
Classification Method for High-Dimensional
Remote Sensing Data, IEEE Transactions on
Geoscience and Remote Sensing, Vol. 36, No.1,
Januari 1998.
[10] Chein-I Chang, Qian Du, Tzu-Lung Sun, dan
mark L.G. Althouse, A Joint Band Prioritization
and Band-Decorrelation Approach to Band
Selection for Hyperspectral Image Classification,
IEEE Transactions on Geoscience and Remote
Sensing, Vol. 37, No.6, November 1999.
[11] James J. Simpson, Timothy J McIntire, dan
Matthew Sienko, An Improved Hybrid Clustering
Algorithm for Natural Scenes, IEEE Transactions
on Geoscience and Remote Sensing, Vol. 38,
No.2, Maret 2000.
[12] Agus Zainal Arifin, Algoritma Clustering Fuzzy
Hibrida untuk Klasifikasi Citra Penginderaan
jauh, Pra-Proseding Seminar Nasional
Penginderaan Jauh dan Sistem Informasi
Geografis, Universitas Gadjah Mada, 7 April
2001.
[13] Agus Zainal Arifin dan Aniati Murni, Algoritma
Clustering Adaptif untuk Klasifikasi Citra
Penginderaan Jauh Multispektral, Proseding
Seminar Nasional Kecerdasan Komputasional II
ICIS, Vol. 2, No. 1, Universitas Indonesia, 16
Oktober 2001.
[14] Agus Zainal Arifin dan Aniati Murni, Disain dan
Implementasi Perangkat Lunak Klasifikasi Citra
Inderaja Multispektral secara Unsupervised,
Jurnal Ilmu Komputer dan Teknologi Informasi,
Vol. 2, No. 1, Universitas Indonesia, Mei 2002.